Útmutatóhoz kapcsolódó kvíz · Kemény Szint
Minimum Bayes kockázati dekódolási kvíz
Tests expected utility, sampled pseudo-references, quadratic candidate comparisons, metric limits, and the candidate-pool constraints of MBR decoding.
kérdés 1 -ból 8
Mit választ az MBR dekódolás az egyetlen legvalószínűbb sorozat helyett?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Mit választ az MBR dekódolás az egyetlen legvalószínűbb sorozat helyett?
- Az a jelölt, akinek a legnagyobb várható hasznossága más valószínű kimenetekhez képest
- A legrövidebb sorozat
- Véletlenszerű minta
- A leghosszabb sorozat
- Mivel a valódi hivatkozások nem érhetők el, mit használ az MBR pszeudo-hivatkozásként?
- Rögzített külső korpusz
- Maguk a mintavételezett jelölt kimenetek készlete
- Emberi annotációk
- Az edzőkészlet
- Miért drága a naiv MBR számítási szempontból?
- Ehhez a modell átképzése szükséges
- Nagyobb szókincs kell hozzá
- N jelölt páronkénti összehasonlítása O(N négyzetes) metrikahívás
- Nem használ GPU-t
- What has COMET been used for in minimum Bayes risk machine-translation experiments?
- As a universal guarantee of better translation quality
- As a tokenizer for the candidate pool
- As an exact reference translation available at inference
- As a learned utility metric in evaluated translation settings
- Az érvelés önkonzisztenciája az MBR-hez kapcsolódik, mert:
- Számos láncot mintát vesz, és kiválasztja a leginkább egyeztetett választ
- Mindig az első mintaválaszt veszi át
- Belső sugárkeresést használ
- Figyelmen kívül hagyja a modell eloszlását
- How is risk generally expressed in minimum Bayes risk decision-making?
- Always one minus a normalized similarity score
- Expected loss under a chosen loss function and reference distribution
- The model’s parameter count divided by accuracy
- The number of candidates sampled
- If the chosen utility metric disagrees with human judgments, what will MBR primarily optimize?
- Human preference automatically overrides the metric
- The model’s raw next-token likelihood
- The expected utility under that selected metric
- The shortest candidate in the pool
- If a high-quality answer is missing from the sampled candidate pool, what can MBR do?
- It guarantees the missing answer is generated
- It changes the model weights to add the answer
- It replaces the utility metric with a human reference
- It can only select or rerank candidates that are in the pool